A comparative evaluation of Bayesian inference, fuzzy time series, and adaptive neuro-fuzzy inference systems for predicting the intensity of concurrent drought-pluvial events
本研究评估了贝叶斯推断、模糊时间序列以及自适应神经模糊推理系统在利用天气尺度预测因子预测并发旱涝事件强度方面的表现，发现由于这些模型无法捕捉事件的双峰分布，导致没有任何一种模型能优于简单的持续性或气候学基准，并最终得出结论：并发旱涝事件（CDPE）的强度仅能从同期的月度天气尺度状态中得到微弱的预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
天气在整个大陆上极少是统一的。当一个国家的部分地区在热浪中煎熬时，另一部分可能正淹没在暴雨之中。有时，这些极端情况会同时发生，创造出一种奇特而强大的模式，即在同一个月内，严重的干旱直接毗邻严重的洪涝。科学家称之为“并发干旱-多雨事件”（concurrent drought-pluvial event）。这是一种横跨美国、由复杂的大气变化所驱动的空间跷跷板，即干湿偶极子（dry-wet dipole）。理解这些事件是如何形成的，以及我们是否能够预测其强度，对于管理水资源和应对灾难至关重要。然而，大气是一个混沌系统，预测这些特定的、同步发生的极端天气已被证明非常困难。研究人员通常转向先进的计算机模型，试图在混沌中寻找规律，希望从中分辨出信号与噪声。问题依然存在：现代统计工具真的能预见这些相反天气极端的强度吗，还是它们仅仅是过于不可预测？
一位研究人员着手测试这个问题，通过对三种不同类型的计算机模型进行测试。他们专注于发生在全美本土的 52 个此类干湿事件。为了衡量每个事件的强度，他们观察了最干燥地点与最潮湿地点之间的差异，并使用了一个综合考虑降水量和地面蒸发量的标准评分。研究人员向每个模型输入了一组由七个大气线索组成的资料，包括气温、湿度、风向和风速，这些数据提取自两个不同的全球天气数据库。他们在三个不同的高度（从地面到低空）对模型进行了测试，以观察数据源或高度是否会改变结果。目标很简单：对于给定的月份，这些模型能否比仅仅猜测平均值或假设天气与上个月保持一致更好地预测干湿对比的强度？
结果令人沮型。无论使用哪种数据或观察哪个高度，三种模型都没有表现出能够可靠地优于最简单猜测的能力。事实上，最成功的预测器并非复杂的算法，而是一个基本假设，即天气会与上个月非常相似。当研究人员将模型的预测结果与实际事件进行比较时，他们发现最复杂的方法未能捕捉到这一现象的本质。其中两个依赖概率和神经网络的模型倾向于“保守起见”。它们并没有预测实际发生的极端干旱或极端潮湿条件，而是始终预测接近中间的值，实际上平滑掉了它们本应预测的那些极端情况。第三个利用模糊逻辑来处理不确定性的模型确实能够预测更广泛的结果（包括极端情况），但其猜测如此分散且不准确，以至于其整体误差率与那些趋向于平均值的模型一样高。
研究还观察了模型从数据中“学习”到了什么。尽管模型未能准确预测强度，但它们在哪些大气因素最为重要这一点上达成了一致。基于概率的模型和神经网络模型都将最大的权重放在了南北向的风向模式以及水分在该方向上的移动上。这在物理学上是合理的，因为这些事件通常是由空气将水分从潮湿区域移向干燥区域（或反之亦然）所组织的。模型正确识别了正确的“配料”，但却无法将它们组合起来以对最终结果做出正确的预测。这就像一位厨师正确识别出了炖菜中的主要香料，却无法猜出最终的味道。研究人员发现，仅凭单个月份的天气快照所提供的信息，不足以确定干湿对比会有多剧烈。
研究人员得出结论，预测这些同步发生的干旱与洪涝的强度比预想的要困难得多。他们测试的模型对数据的行为几乎不做任何假设，它们倾向于向平均值坍缩，而不是捕捉现实中的剧烈波动。虽然它们正确识别出南北向的水分输送是关键驱动力，但这一知识并未转化为有效的预报。该研究表明，为了改进预测，科学家们可能需要观察发生前数月的天气模式，而不仅仅是事件发生的当月，并且他们可能需要为不同的季节建立单独的模型。目前来看，这些剧烈的干湿偶极子的强度，从发生时的的大气状态来看，仍然是极难预测的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。